基于模糊偏最小二乘的特征抽取方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 1 绪论 | 第8-14页 |
| ·课题背景和选题意义 | 第8-9页 |
| ·研究现状 | 第9-12页 |
| ·特征的分类 | 第9页 |
| ·经典的子空间特征抽取方法研究与发展 | 第9-11页 |
| ·非线性偏最小二乘回归的研究与进展 | 第11-12页 |
| ·论文的主要研究内容和内容安排 | 第12-13页 |
| ·本文工作的创新点 | 第13-14页 |
| 2 相关背景介绍 | 第14-22页 |
| ·模糊模式识别方法 | 第14-17页 |
| ·模糊数学基本理论 | 第14-15页 |
| ·模糊特征和模糊分类 | 第15-16页 |
| ·模糊模型理论 | 第16-17页 |
| ·偏最小二乘回归技术 | 第17-21页 |
| ·偏最小二乘回归技术的原理 | 第17-18页 |
| ·偏最小二乘回归的线性模型 | 第18-20页 |
| ·偏最小二乘回归的非线性方法 | 第20-21页 |
| ·偏最小二乘的应用范围 | 第21页 |
| ·本章小结 | 第21-22页 |
| 3 基于偏最小二乘分析的特征抽取技术 | 第22-44页 |
| ·特征抽取的原理 | 第22-24页 |
| ·经典子空间特征抽取方法 | 第24-27页 |
| ·主成分分析方法(PCA) | 第24-25页 |
| ·Fisher线性鉴别分析方法(FDA) | 第25-26页 |
| ·典型相关分析方法(CCA) | 第26-27页 |
| ·基于线性偏最小二乘分析的特征抽取方法 | 第27-32页 |
| ·经典的偏最小二乘算法 | 第28-29页 |
| ·偏最小二乘的奇异值分解算法 | 第29-30页 |
| ·偏最小二乘回归的改进方法 | 第30-32页 |
| ·基于核偏最小二乘分析的特征抽取技术 | 第32-36页 |
| ·核方法的基本思想 | 第32-33页 |
| ·KPLS算法 | 第33-36页 |
| ·基于PLS的模式分类 | 第36-37页 |
| ·实验及结果分析 | 第37-43页 |
| ·在ORL人脸库上的实验及分析 | 第37-39页 |
| ·在AR人脸库上的实验及分析 | 第39-40页 |
| ·在掌纹库上的实验及分析 | 第40-41页 |
| ·实验结果分析 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 4 基于模糊偏最小二乘分析的特征抽取技术 | 第44-58页 |
| ·算法的基本思想 | 第44-45页 |
| ·FPLS的建模方法 | 第45-48页 |
| ·FPLS算法 | 第45-47页 |
| ·迭代更新的FPLS算法 | 第47-48页 |
| ·改进的FPLS算法 | 第48-52页 |
| ·基于奇异值分解的FPLS算法 | 第48-51页 |
| ·基于样本标号的FPLS算法 | 第51-52页 |
| ·实验及结果分析 | 第52-57页 |
| ·在ORL人脸库上的实验及结果分析 | 第53-54页 |
| ·在掌纹库上的实验及结果分析 | 第54-56页 |
| ·在AR人脸库上的实验及结果分析 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| ·本文主要工作 | 第58-59页 |
| ·进一步的问题研究 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 附录 | 第66页 |
